การโต้กลับของ GPT Wrapper: ความสามารถในการป้องกันการลอกเลียนแบบในโลกของโมเดล AI เชิงพาณิชย์

 (andrewchen.substack.com)
7 คะแนน โดย felizgeek 2025-02-11 | 3 ความคิดเห็น | แชร์ทาง WhatsApp

defensibility: ความสามารถในการป้องกันการลอกเลียนแบบ (แปลเป็นความเป็นเอกสิทธิ์เมื่อใช้ร่วมกับ moat)
moat: คูเมือง

ตัวอย่างบริการ GPT Wrapper: Character.ai, Perplexity AI

คอมเมนต์ใน ycombinator: https://news.ycombinator.com/item?id=42971442

บทความที่เกี่ยวข้อง

3 ความคิดเห็น

 
xguru 2025-02-16

นี่คือฉบับสรุป

  • ตลอดหนึ่งปีที่ผ่านมา วงการ AI ได้พัฒนาไปมาก มีผู้เล่นรายใหม่เกิดขึ้น และผลิตภัณฑ์ที่มี AI เป็นศูนย์กลางก็เติบโตอย่างรวดเร็ว
  • อย่างไรก็ตาม สตาร์ทอัพด้านโมเดล AI กำลังเผชิญกับคำถามพื้นฐานดังต่อไปนี้:
    • หากสตาร์ทอัพด้านโมเดล AI มีความสามารถในการป้องกันต่ำ และทางเลือกโอเพนซอร์สกับผู้เล่นหน้าใหม่ยังคงค่อย ๆ กัดเซาะความได้เปรียบต่อไป ใครกันที่จะเป็นผู้ชนะในท้ายที่สุด?
    • แอปยุคใหม่ที่มี AI เป็นศูนย์กลางกำลังเติบโตอย่างน่าทึ่งด้วยอานิสงส์ของผลของความแปลกใหม่ แต่เมื่อเวลาผ่านไป AI กลายเป็นสิ่งที่ผู้ใช้คาดหวัง และความตื่นตาก็หายไป แล้วในบรรดาผลิตภัณฑ์ใหม่จำนวนมาก ใครจะชนะในเกมการกระจายตัวผลิตภัณฑ์? ในตลาดที่แออัด ผลิตภัณฑ์จะเติบโตและเข้าถึงลูกค้าได้อย่างไร?
    • จะเกิดอะไรขึ้นหากการลอกเลียนผลิตภัณฑ์อื่นกลายเป็นเรื่องเล็กน้อยจริง ๆ เช่น "AI สร้างแอปเหมือน productxyz.com ทุกอย่าง แล้วโฮสต์ไว้ที่ productabc.com ให้หน่อย!" ในอดีต การคัดลอกผลิตภัณฑ์ใหม่ต้องใช้เวลาหลายเดือน ซึ่งเปิดโอกาสให้ผู้นำสร้างความได้เปรียบได้ก่อน แต่ถ้าคู่แข่งสามารถไล่ตามได้แทบจะทันที ผลิตภัณฑ์จะรักษาผู้ใช้อย่างไร?
    • ในช่วงไม่กี่ปีที่ผ่านมา ผลิตภัณฑ์ AI ที่สร้างสรรค์ซึ่งไม่ได้สร้างโมเดลของตัวเอง มักถูกดูแคลนว่าเป็น "GPT wrapper" ที่มีเทคโนโลยีไม่ลึกมาก แต่ในช่วงหลายทศวรรษที่ผ่านมา ผลิตภัณฑ์สำหรับผู้บริโภคจำนวนมากก็เคยดูเหมือนมีเทคโนโลยีไม่ลึกและตั้งรับได้ไม่ดี ทว่ากลับสร้างมูลค่ามหาศาล อนาคตจะเดินซ้ำรอยอดีตหรือไม่?
  • ในสภาพแวดล้อมเช่นนี้ สงครามครั้งใหญ่ระหว่าง "GPT wrapper" กำลังก่อตัวขึ้น และกลยุทธ์การป้องกันแบบดั้งเดิม—โดยเฉพาะความได้เปรียบที่ยั่งยืนด้านการกระจายตัวและ network effects—กำลังกลับมาอยู่แถวหน้าอีกครั้ง
  • สิ่งเหล่านี้อาจไม่ได้ปรากฏในรูปแบบเดิมทุกประการ แต่จะผสานกับความสามารถของ AI เพื่อสร้างรูปแบบใหม่ขึ้นมา
  • ในลักษณะนี้ ผลิตภัณฑ์ AI รุ่นถัดไปจะเติบโตโดยอาศัยแรงขับเดียวกับที่เคยผลักดันคลื่นคอมพิวติ้งก่อนหน้า เช่น Web 2.0, คริปโต และเศรษฐกิจแบบ on-demand

ทฤษฎีการป้องกันของ AI ที่ล้มเหลว?

  • ทฤษฎียอดนิยมเกี่ยวกับความสามารถในการป้องกันของ AI นั้นเรียบง่าย และครอบงำการถกเถียงในช่วงไม่กี่ปีที่ผ่านมา:
    • มีข้อสังเกตว่าปริมาณข้อมูล/คอมพิวต์/พลังงานที่ต้องใช้ในการสร้างโมเดล AI แต่ละรุ่นจะเพิ่มขึ้นแบบทวีคูณ
    • ในปี 2024 ต้องใช้เงินมากกว่า $100 ล้าน และในอนาคตอาจต้องใช้ระดับหลายพันล้านดอลลาร์ จนกลายเป็นคูเมืองจาก "economies of scale" ต่อผู้เล่นรายใหม่
    • อีกทั้งเมื่อโมเดล AI ทรงพลังขึ้น แอปก็จะสามารถทำทุกอย่างที่ต้องการได้ ทำให้แอปส่วนใหญ่ลดบทบาทเหลือเพียง "GPT wrapper" ธรรมดาที่เชื่อมต่อกับโมเดลพื้นฐานที่ทรงพลังยิ่งกว่า
    • จากมุมมองนี้ บริษัทโมเดลรายใหญ่เพียงไม่กี่แห่งจะเป็นผู้สร้างมูลค่าทั้งหมด และเก็บภาษีจากโลกของแอป GPT wrapper ที่อยู่ด้านบน
  • แต่ ณ เดือนกุมภาพันธ์ 2025 ทฤษฎีนี้กำลังเผชิญกับความซับซ้อนสำคัญหลายประการ:
    • โมเดลล้ำสมัยนำหน้าโมเดลโอเพนซอร์สเพียงราว 6 เดือน และผู้เล่นรายใหม่ก็สร้างโมเดลที่มีประสิทธิภาพใกล้เคียงกันได้อย่างสม่ำเสมอ (Grok, DeepSeek เป็นต้น)
    • นอกจากนี้ ปริมาณข้อมูลฝึกที่ในช่วงแรกผู้เล่นรายใหญ่เข้าถึงได้ก่อนและได้เปรียบมาก ก็กำลังแตะขีดจำกัดตามธรรมชาติ
    • และถึงแม้การฝึกโมเดลระดับแนวหน้าจะต้องใช้เงิน/พลังงาน/คอมพิวต์จำนวนมาก แต่คู่แข่งก็ยังสามารถบรรลุประสิทธิภาพใกล้เคียงกันได้ผ่าน model distillation
    • ขณะเดียวกัน ก็มีสตาร์ทอัพเลเยอร์แอปหน้าใหม่ที่เจาะตลาดเฉพาะทาง เช่น เครื่องมือสร้างสรรค์ งานบริการลูกค้า และกฎหมาย โดยแสดงให้เห็นการเติบโตของ ARR จาก $0 ไปเกิน $5 ล้านภายในเวลาไม่ถึง 1 ปี
  • ในหลายกรณี สตาร์ทอัพเหล่านี้ไม่ได้ระบุชัดด้วยซ้ำว่าใช้โมเดล AI พื้นฐานตัวใด และผู้ใช้หรือลูกค้าก็ไม่ได้สนใจเรื่องนั้น
  • ตอนนี้ถึงเวลาที่จะเชียร์ GPT wrapper แล้วหรือยัง? และทฤษฎีการป้องกันใหม่สำหรับแอปยุคใหม่ที่มี AI เป็นศูนย์กลางควรเป็นอย่างไร? ในบรรดาแอปเหล่านี้ ตัวใดจะอยู่รอดได้ในระยะยาว?
  • แน่นอนว่ายังมี network effects ด้วย เราเห็นมาแล้วว่า network effects มีบทบาทสำคัญต่อความสามารถในการป้องกันของเครื่องมือทำงานร่วมกันในที่ทำงาน, marketplace และ social network ในยุคก่อน (ผมพูดถึงเรื่องนี้ไว้ในหนังสือ The Cold Start Problem) — และผมคิดว่ามันจะมีบทบาทใหญ่ในยุค AI เช่นกัน

database wrapper และแอป CRUD

  • หากอ้างอิงเส้นโค้งการเติบโตแบบ S-curve ของเว็บแอปตั้งแต่ทศวรรษ 1990 ถึง 2010 ก็จะช่วยให้เข้าใจสถานการณ์ AI ปัจจุบันได้ดีขึ้น
    • ในช่วงต้นของกระแส dot-com boom ในทศวรรษ 1990 การสร้างเว็บไซต์เวอร์ชัน v1 ต้องระดมทุนระดับหลายล้านดอลลาร์ เพราะโครงสร้างพื้นฐานยังขาดแคลน
    • ต้องนำเซิร์ฟเวอร์ไปติดตั้งในดาต้าเซ็นเตอร์ด้วยตัวเอง ใช้ซอฟต์แวร์สแตกแบบ proprietary และกลยุทธ์การเติบโตก็ยืมวิธีที่ไม่มีประสิทธิภาพมาจากอุตสาหกรรมสินค้าอุปโภคบริโภค (CPG)
    • ในเวลานั้น แค่ผลิตภัณฑ์ "ใช้งานได้" ก็ถือเป็นจุดแตกต่างสำคัญแล้ว และบริษัทเว็บยุคแรกจำนวนมากก็ก่อตั้งโดยผู้จบปริญญาเอกวิศวกรรมคอมพิวเตอร์จาก Stanford
  • แต่เมื่อผ่านไปสองรุ่น การสร้างเว็บไซต์ก็กลายเป็นเรื่องง่ายขึ้นมากจากพัฒนาการของโอเพนซอร์ส, cloud computing และโฆษณาแบบ cost-per-click (CPC)
    • เว็บแอปยอดนิยมจำนวนมากเป็นเพียง "database wrapper (หรือแอป CRUD)" เท่านั้น
    • บริการอย่างบล็อก, Twitter และ Flickr เป็นตัวอย่างเด่น โดยมอบฟังก์ชันง่าย ๆ อย่าง Create, Read, Update, Delete
    • เมื่อ Ruby on Rails และซอฟต์แวร์ CMS ปรากฏขึ้น การพัฒนาเว็บลักษณะนี้ก็ยิ่งง่ายกว่าเดิม
    • แม้ในเวลานั้น บรรดา VC ก็ยังตั้งคำถามว่า "ผลิตภัณฑ์แบบ Facebook จะมีความสามารถในการป้องกันได้จริงหรือ?"
  • แต่ยุค Web 2.0 ได้แก้ปัญหานี้ด้วยการใช้ network effects
    • ไม่ได้เป็นเพียงแอป CRUD ธรรมดา แต่เพิ่มความสามารถให้ทั้งชุมชนและเครือข่ายสามารถแชร์ข้อมูลและทำงานร่วมกันได้
    • ตราบใดที่เครือข่ายยังคงอยู่ ผลิตภัณฑ์ก็จะมีความสามารถในการป้องกัน และนี่คือองค์ประกอบสำคัญที่ทำให้ Web 2.0 ฟื้นพลังให้เทคโนโลยีผู้บริโภคอีกครั้ง
    • ในอดีตก็มีตัวอย่างคล้ายกัน โดยกระแส GUI desktop บน Windows/Mac ช่วงต้นยุค 90 ก็ถูกเร่งด้วยการเพิ่มขึ้นของ "แอปพลิเคชันแบบฟอร์ม" ที่สร้างด้วย Visual Basic
  • กล่าวคือ เช่นเดียวกับที่สแตกเทคโนโลยีอินเทอร์เน็ตยุคแรกซึ่งผูกขาดและปิด ถูกทำให้เปิดและกลายเป็นสินค้าโภคภัณฑ์ในยุค Web 2.0, AI ก็มีแนวโน้มจะเดินตามเส้นทางเดียวกัน
    • แกนการแข่งขันกำลังย้ายจากคำถามว่า "เราสร้างสิ่งนี้ได้ไหม? เราระดมเงินมาสร้างได้ไหม?" ไปเป็น "ถึงจะสร้างได้ แต่คนจะใช้ไหม? และมันจะอยู่รอดไหม?"
    • ผลิตภัณฑ์ AI ก็กำลังอยู่ในกระแสการเปลี่ยนผ่านเดียวกัน และจะวิวัฒน์ไปสู่รูปแบบใหม่ที่ผสาน AI เข้ากับ network effects

การเติบโตและ network effects ในโลกที่ GPT wrapper ครองอยู่

  • network effects หมายถึง "ปรากฏการณ์ที่มูลค่าของผลิตภัณฑ์เพิ่มขึ้นเมื่อมีผู้ใช้มากขึ้น"
    • marketplace, social network และเครื่องมือทำงานร่วมกันคือกรณีตัวอย่างที่ชัดเจน
  • จะเกิดการแข่งขันกันว่าผลิตภัณฑ์ AI จะเพิ่มฟังก์ชันเครือข่าย หรือผลิตภัณฑ์เครือข่ายเดิมจะรวม AI เข้าไป
  • ในตลาด B2B และ SMB ฟังก์ชันการทำงานร่วมกัน (คอมเมนต์, แท็ก, การแชร์) และการรองรับทีมจะถูกเพิ่มเข้ามาอย่างเป็นธรรมชาติ
  • อย่างไรก็ตาม ยังไม่แน่ชัดว่า AI จะสามารถสร้าง social network ขึ้นใหม่อย่างพลิกโฉมได้หรือไม่
    • ผู้คนยังคงต้องการปฏิสัมพันธ์กับมนุษย์
    • ยังมีคำถามว่า AI จะเข้ามาแทนความสัมพันธ์ของมนุษย์ หรือจะทำหน้าที่เป็นตัวช่วย
    • ตัวอย่างเช่น แอปโซเชียลที่ขับเคลื่อนด้วย AI อาจทำให้ผู้ใช้แชร์คอนเทนต์อินเทอร์แอกทีฟแบบปรับแต่งเฉพาะบุคคล แทนที่จะเป็นแค่มุกมีมจากภาพธรรมดา
  • จนถึงตอนนี้ ยังไม่มีกรณีของผลิตภัณฑ์ AI สำหรับผู้บริโภคที่ประสบความสำเร็จอย่างสมบูรณ์
    • มีบางกรณีอย่าง Character.ai แต่แอปผู้บริโภคที่มี AI เป็นศูนย์กลางและเติบโตเร็วก็ยังไม่ได้ยืนหลักได้อย่างชัดเจน
    • สาเหตุอาจเป็นเพราะต้นทุน API ยังไม่ลดลงมากพอ และความสามารถในการแข่งขันของบริษัทเดิมยังแข็งแกร่ง
    • หรืออาจเป็นเพราะ AI ยังยากที่จะสร้างปฏิสัมพันธ์ที่น่าสนใจในระดับมนุษย์ได้จริง
  • แต่หากมีผลิตภัณฑ์ที่ผสาน AI+ฟังก์ชันเครือข่ายเกิดขึ้น แม้จะลอกเลียนได้ง่าย แต่ก็จะสร้างความสามารถในการป้องกันผ่าน network effects ได้
  • สามารถแบ่ง network effects ออกเป็น 3 แกนได้ดังนี้:
    • network effects ด้านการได้ผู้ใช้ (Acquisition)
      • ผลิตภัณฑ์สามารถใช้เครือข่ายผู้ใช้เดิมเพื่อเชิญ แชร์ และเพิ่มการไหลเข้าของผู้ใช้ใหม่ได้
      • ผลิตภัณฑ์ AI สามารถสร้างคอนเทนต์ที่น่าดึงดูดเพื่อกระตุ้นให้เกิดการแชร์อย่างเป็นธรรมชาติ
    • ผลด้านการรักษา (Retention) และการมีส่วนร่วม (Engagement)
      • ผลิตภัณฑ์ที่อิงกับเครือข่ายสามารถกระตุ้นผู้ใช้เดิมให้กลับมาใช้งานอีกครั้งผ่านคอมเมนต์, แท็ก และไฟล์ที่แชร์
      • ผลิตภัณฑ์ AI แบบเรียบง่ายต้องพึ่งอีเมล/การแจ้งเตือนแบบพุช แต่ผลิตภัณฑ์ที่อิงเครือข่ายจะมีพลังในการรักษาผู้ใช้มากกว่า
    • ผลด้านการสร้างรายได้ (Monetization)
      • ยิ่งเครื่องมือทำงานร่วมกันถูกใช้อย่างแพร่หลายภายในองค์กร ก็ยิ่งมีโอกาสเปลี่ยนไปสู่แพ็กเกจราคาสูงได้มากขึ้น
      • หาก social game สร้างรายได้จากองค์ประกอบอย่างการแต่ง avatar ปฏิสัมพันธ์กับเพื่อนก็จะยิ่งเพิ่มมูลค่าให้ผลิตภัณฑ์
  • สุดท้ายแล้ว ผลิตภัณฑ์ AI จะเข้าสู่ตลาดด้วยฟีเจอร์ที่น่าตื่นตาในช่วงแรก แต่ต่อจากนั้นจะค่อย ๆ เพิ่มฟังก์ชันเครือข่ายเพื่อเติบโตและสร้างความสามารถในการป้องกัน

AI รุ่นปัจจุบันจะชนะ หรือจะมีรุ่นใหม่เข้ามาแทน?

  • เมื่อมองประวัติศาสตร์ของนวัตกรรมเทคโนโลยี จะเห็นว่าเมื่อแพลตฟอร์มใหม่เกิดขึ้น บริษัทเดิมมักปรับตัวได้ยาก
    • ตัวอย่างเช่น ในช่วงต้นของนวัตกรรมมือถือ Flipboard, Foursquare และ Kik เคยได้รับความนิยม แต่ท้ายที่สุดผู้เล่นที่มาทีหลังอย่าง Uber และ DoorDash กลับครองตลาด
    • ในยุค AI ปัจจุบันก็เช่นกัน สตาร์ทอัพ AI ระยะแรกอาจมอบความแปลกใหม่ แต่ผู้เล่นที่มาทีหลังและผสาน network effects เข้าไป อาจประสบความสำเร็จได้ใหญ่กว่า
  • อีกทั้ง เนื่องจากบริษัทยักษ์ใหญ่ด้านเทคโนโลยีก็รับ AI ไปใช้อย่างรวดเร็ว จึงไม่มีหลักประกันว่าสตาร์ทอัพใหม่ล้วน ๆ จะต้องเป็นผู้ชนะเสมอไป
  • ยุค AI กำลังเปลี่ยนแปลงอย่างรวดเร็ว และเมื่อกลยุทธ์การป้องกันแบบเดิมมาผสานกับ AI ก็กำลังก่อรูปเป็นตลาดใหม่
  • แม้ตอนนี้เรายังไม่รู้ว่าบริษัทใดจะเป็นผู้ชนะในท้ายที่สุด แต่ชัดเจนว่านี่จะเป็นช่วงเวลาที่น่าตื่นเต้นมาก
 
felizgeek 2025-02-11

สรุปความคิดเห็น

  1. ปัจจัยความสำเร็จของ AI และ LLM: โซลูชัน AI/LLM ที่ประสบความสำเร็จจำเป็นต้องมีระบบ ETL (Extract, Transform, Load) ที่มีประสิทธิภาพสูง โดยเฉพาะความสามารถในการเตรียมและรวบรวมข้อมูลในโดเมนเฉพาะ ซึ่งเป็นตัวตัดสินความได้เปรียบในการแข่งขันของบริษัท

  2. บทบาทของ "wrapper" AI: หาก wrapper ต้องการเหนือกว่าโมเดลพื้นฐาน ก็ต้องมีความสามารถที่โดดเด่นในการประมวลผลและบูรณาการข้อมูลเฉพาะทาง ซึ่งสิ่งนี้เองที่สร้าง moat ที่แท้จริงให้กับบริษัท

  3. โอเพนซอร์สและการลอกเลียน: หลายผลิตภัณฑ์ใช้โค้ดโอเพนซอร์ส แต่บ่อยครั้งกลับลอกตามโดยไม่ได้อ่านโค้ดจริง ๆ ซึ่งอาจนำไปสู่นวัตกรรมแบบผิวเผินเหมือนกรณี 'left-pad'

  4. การแข่งขันของโมเดลขนาดใหญ่: โมเดลขนาดใหญ่กำลังเพิ่มส่วนแบ่งตลาด ขณะที่ผลิตภัณฑ์อื่น ๆ ต้องแข่งขันอยู่รอบนอก และเมื่อค่าใช้จ่ายด้าน inference ลดลงอย่างรวดเร็ว ทางเลือกของโมเดลตาม use case ก็จะยิ่งน้อยลง

  5. ความสามารถในการลอกเลียนของแอปที่ขับเคลื่อนด้วย AI: แอปที่ขับเคลื่อนด้วย AI อาจลอกเลียนได้ยาก โดยเฉพาะ prompt ที่ซับซ้อนและปฏิสัมพันธ์ระหว่างโมเดลต่าง ๆ ซึ่งเป็นความท้าทายอย่างมากในกระบวนการทำซ้ำ

  6. การแข่งขันระหว่างโมเดลกับ wrapper: ในเลเยอร์ของโมเดล การแข่งขันจะดุเดือดขึ้น ส่วน wrapper สามารถสร้างความได้เปรียบทางการแข่งขันได้จากมุมมองด้านวิศวกรรมซอฟต์แวร์

  7. บทบาทของ OS: ผู้ผลิต OS มีจุดแข็งอย่างมากในการผสานความสามารถ AI โดยอาศัยบริบทของผู้ใช้ ซึ่งอาจกลายเป็นความได้เปรียบในการแข่งขันเหนือผู้พัฒนาแอปเดิม

  8. องค์ประกอบของการสร้างมูลค่า: prompt ที่ปรับแต่งเฉพาะทาง การเข้าถึงข้อมูลแบบมีโครงสร้าง และ network effect อาจเป็นองค์ประกอบหลักของการสร้างมูลค่าในอนาคต

  9. ความสำคัญของข้อมูลฝึก: ข้อมูลฝึกสามารถมอบความได้เปรียบทางการแข่งขันได้ ข้อมูลที่สะท้อนพฤติกรรมของผู้ใช้เฉพาะรายได้อย่างแม่นยำอาจเป็นทรัพย์สินสำคัญที่ทำให้ต่างจากผลิตภัณฑ์ที่ถูกลอกเลียน

  10. โมเดลไลเซนส์และการพึ่งพาแพลตฟอร์ม: บริษัทควรพิจารณาความเสี่ยงของการพึ่งพาแพลตฟอร์มใดแพลตฟอร์มหนึ่ง เพราะอาจเพิ่มความไม่แน่นอน โดยเฉพาะความเสี่ยงที่จะสูญเสียตลาดไปครึ่งหนึ่งหรือถูกสั่งให้ยุติธุรกิจจากคำสั่งทางภูมิรัฐศาสตร์
 
dongwon 2025-02-11

เห็นด้วยกับคอมเมนต์ใน YC ที่บอกว่าถ้าจะเป็น Wrapper ที่ดี ETL ต้องดีด้วย... ครับ